增强水下图像质量对水下作业领域的发展具有重要意义　.　现有的水下图像增强方法通常基于成对的水下图像和参考图像进行训练，然而实际获取与水下图像对应的参考图像比较困难，相比之下获得非成对高质量水下图像或者陆上图像较为容易.　此外，现有的水下图像增强方法很难同时针对各种失真类型进行图像增强.　为了避免对成对训练数据的依赖和进一步降低获得训练数据的难度，并应对多样的水下图像失真类型，本文提出了一种基于分频式生成对抗网络（Frequency-Decomposed　Generative　Adversarial　Network，FD-GAN）的非成对水下图像增强方法，并在此基础上设计了高低频双分支生成器用于重建高质量水下增强图像.　具体来说，本文引入特征级别的小波变换将特征分为低频和高频部分，并基于循环一致性生成对抗网络对低频和高频部分区分处理.　其中，低频分支采用结合低频注意力机制的编码-解码器结构实现对图像颜色和亮度的增强，高频分支则采用并行的高频注意力机制对各高频分量进行增强，从而实现对图像细节的恢复.　在多个标准水下图像数据集上的实验结果表明，本文提出的方法在使用非成对的高质量水下图像和引入部分陆上图像的情况下，均能有效生成高质量的水下增强图像，且有效性和泛化性均优于当
前主流的水下图像增强方法.